특징별 함수의 학습
각 신경망은 하나의 입력 특징에만 주목한다. 이 신경망들을 공동 학습해 개별 특징과 출력 사이의 복잡한 비선형 관계를 표현하면서 전체 모델은 가산 구조를 유지한다.
가산 구조의 유연성
선형 결합에 들어가는 각 함수 자체는 신경망으로 구성된다. 원 연구는 부스팅 트리 대신 신경망을 사용한 구성이 주는 유연성과 구성 요소를 결합하는 성질을 다뤘다.
분류와 회귀의 평가
연구는 회귀와 분류 자료에서 로지스틱 회귀, 얕은 결정 트리, 기존 일반화 가산 모델과 비교했다. 합성 자료 등을 이용한 다중 과제 학습도 조사해 신경망 기반 가산 구성의 활용을 보였다.
관련 문서
일반화 가산 모형 / 다층 퍼셉트론 / 로지스틱 회귀 / 의사 결정 트리 / 다중 과제 학습 / 개념 병목 모델